锂离子电池氧化物固态电解质研究进展

可充电锂离子电池(LIB)是移动和固定存储系统中最具潜力的电池体系。然而,传统锂离子电池中不稳定的电沉积和不可控的界面反应会在液体电解质中发生,导致电池存在安全隐患。采用固态电解质(SSE)的全固态锂离子电池因具有高安全性、高可靠性和高能量密度可满足许多方面对储能的要求。但要实现商业化,SSE依然面临诸多挑战,如室温离子电导率较低(1×10^(-5)~1×10^(-3)S/cm)以及电极和电解质之间的界面稳定性差等。为加快SSE的研究与开发,分别对无机钙钛矿(LLTO)型、石榴石(LLZO)型和钠快离子导体(NASICON)型固态电解质的结构和电导率改性进行了综述,特别强调了电解质与电极界面的重要性及其对电池性能的影响。

基于CNN-BILSTM深度学习模型的跨工况锂电池SOC估计

为提高新能源汽车锂电池跨工况下SOC(State of Charge,SOC)的预测精度以提升其运行可靠性,针对不同工况下的锂电池特征,笔者提出了一种深度学习预测模型。该模型基于卷积神经网络(CNN)和双向长短期记忆网络(BILSTM),对跨工况锂电池SOC进行估计。笔者采集了锂电池在不同工况下的温度、电流、电压和SOC等数据。然后,构建了CNN-BILSTM深度学习模型,并在联邦城市运行工况(Federal Urban Driving Schedule,FUDS)工况下进行训练测试。将该方法应用于动态应力测试工况(Dynamic Stress Test,DST)下,进行跨工况SOC估计。试验结果表明,本文提出的CNN-BILSTM模型能够有效预测锂电池的SOC值,在跨工况下也显示出良好的预测性能和较强的泛化能力。

复杂环境下多传感器信息融合的无人驾驶汽车智能悬架自动控制方法

为提高无人驾驶汽车在破损和小型障碍物路面行驶的安全性和平顺性,提出了一种基于多传感器信息融合的半主动悬架控制方法。建立考虑多传感器信息融合的汽车1/4悬架振动模型,揭示路面不平信息与汽车振动量之间的关系;利用摄像头和雷达波扫描并识别不平路面状况,创建路面不平度数学模型,通过检测边缘交并比和图神经网络(GNN)算法对不平路面进行信息融合和匹配,得到复杂环境下可信度较高的路面不平数学模型;提出利用车速和路面不平信息计算半主动悬架最佳阻尼比,将悬架调节至该阻尼比以实时适应不同路面状况;开展典型路面输入工况下汽车平顺性试验,对比与分析不同悬架的振动加速度响应信号。结果表明:相同条件下多信息融合控制的无人驾驶悬架振动加速度最大峰值比被动悬架减少43%,验证了所提方法的优越性。

基于用户使用工况的某牵引车车架结构优化

为解决车架二横梁失效问题,文中首先建立了车架及其强度计算有限元模型,并通过车架模态和应力测试验证了车架及其强度计算有限元模型的正确性;然后,根据用户实际使用工况对车架进行了非线性强度计算,明确了二横梁失效的主要原因及初步优化方案;最后,结合车架用户道路载荷谱及二横梁材料疲劳寿命曲线的测试结果,采用CriticalPlane与Dirlik相结合的计算方法对改进方案进行了疲劳性能预测,并完成了用户道路试验。研究结果表明:不同用途及细分市场的车辆,有其自身预期的临界工况,计算工况与车辆实际使用工况接近是解决部件失效问题的关键,但根据用户使用工况及用途推荐相应定位产品的营销策略是避免部件失效问题的根本。